GPT-5.5 相关 AI 资讯 · AITOP

9月3日

12:16

官方账号arXiv cs.AI@Jianlyu Chen, Yuyang Hu, Hongjin Qian, Jiawei Liu, Wenqing Wei, Xiaolong Chen, Defu Lian, Zhicheng Dou, Chaozhuo Li, Qiwei Ye, Zheng Liu

精选73°

研究人员提出DisCo技能驱动型研究代理，能将广泛使用的ML仓库提炼为可重用技能。该代理创建了AREX-Skill Library，包含5000多个从1000个常用ML仓库中提炼的验证技能，组织成20个领域和178个能力家族。使用GPT-5.5作为骨干模型，在MLE-bench基准上得分提升134.3%，在PaperBench上提升34.4%，在FrontierCS上提升9.2%，在PassNet上提升14.0%。

推荐理由：DisCo代理把GitHub仓库变成可重用技能，在多个AI研究基准上大幅提升性能，比无技能版本表现更好。

原文

9月2日

10:49

官方一手arXiv: DeepSeek@Haoyang Yan, Min-le Su, Hangfan Zhang, Zhanhao Li, Chen Zhang, Shao Zhang, Yang Chen, Lei Bai, Shuyue Hu

精选73°

Harness-of-Harness(HoH)框架使基于LLM的编码代理能够在自主开发过程中持续改进软件。该框架在GameCraft-Bench、FrontierSWE和ProgramBench三个基准测试中，使用Codex与GPT-5.5、OpenCode与DeepSeek-V4-Pro、Pi与MiniMax-M3三对模型组合，平均相对提升52.25%，最高提升82.86%。在70多次迭代的多日部署中，HoH自主开发了一款具有连贯故事线、完整核心机制、可玩体验、精美视觉效果和集成音频的第一人称射击游戏。

AI模型 Harness-of-Harness GPT-5.5 DeepSeek-V4-Pro

推荐理由：HoH框架让AI编码代理能持续改进软件，在三个基准测试中平均提升52%，还能自主开发完整游戏。

原文

09:42

官方一手arXiv: OpenAI@Gokhan Dogru, Adrià Martín Mor

LoopCAT是一款Apache-2.0许可的本地优先计算机辅助翻译环境，由OpenAI Codex使用GPT-5.5和GPT-5.6共同开发。该工具结合本地项目存储、翻译记忆库、术语库、质量保证和文档交换功能，支持连接本地或托管AI服务。LoopCAT提供英语、加泰罗尼亚语和土耳其语界面，学生可翻译UI字符串、审查自动生成的目标草案并测试界面。

技巧 LoopCAT GPT-5.5 GPT-5.6

事件专题

推荐理由：OpenAI用GPT-5.5/5.6开发的翻译教学工具，让学生既能操作工作流又能评估AI决策。

原文

03:58

Fireworks AI@FireworksAI_HQ

73°

LangChain每天生成数十亿个智能体轨迹token，这是了解真实用户反应的最丰富信号。使用GPT-5.5或Opus等前沿闭源模型评估每个轨迹成本过高。Fireworks在Qwen基础模型上进行了微调，成本可降低高达100倍。该合作使开发者能够以更低成本构建前沿AI系统。

AI产品 LangChain Qwen GPT-5.5

推荐理由：LangChain和Fireworks合作，用微调Qwen模型替代GPT-5.5等昂贵模型，评估智能体轨迹成本降低100倍。

原文

9月1日

09:33

shao__meng@shao__meng

78°

LoopArena 基准测试解决了编码智能体评测中的盲区，将模型作为管理者的能力从系统能力中剥离单独测量。该基准采用 Controller-Reporter-Worker 三角架构，固定 Worker 为 Qwen3.7-Plus，只评测 Controller 模型的决策能力。实验评测了 5 个模型，包括 GPT-5.5 和 Claude Opus 4.8，结果显示长程循环控制仍然困难，最高成功率仅 24.69%。

论文 LoopArena Qwen3.7-Plus GPT-5.5

事件专题

推荐理由：LoopArena 基准首次单独测量模型作为'管理者'的能力，发现 GPT-5.5 在长程任务中表现最佳，但成功率仍不足 25%。

原文

04:53

Fireworks AI@FireworksAI_HQ

精选

FactoryAI 发布 Droid Shield 工具，用于检测代码中的敏感信息泄露。该工具基于训练 API 微调的开源 Qwen 模型，检测真实秘密的能力比 GPT-5.5 高出近 20%。Droid Shield 具有低摩擦特性，能够有效捕获真实秘密并清除误报。

AI产品 FactoryAI Droid Shield Qwen

推荐理由：FactoryAI 用微调 Qwen 模型打造了比 GPT-5.5 更强、更快的代码秘密检测工具 Droid Shield。

原文

8月28日

16:41

shao__meng@shao__meng

78°

腾讯发布Hy4 preview模型，参数规模770B/49B，上下文窗口达1M。该模型在10项全球前沿评测中2项第一，18项国产模型评测中13项第一。Hy4以真实工作产出为中心，与腾讯内部工程师、开发者等合作构建训练数据。在Terminal-Bench 3.0和BrowseComp两项智能体任务上领先GPT-5.5约1.7-2.2分。

AI模型 Hy4 腾讯 GPT-5.5

推荐理由：腾讯Hy4 preview开源，在智能体任务上超越GPT-5.5，但抽象推理仍有差距。

原文

8月26日

14:05

Geek@geekbb

GPT-5.5 被重新调优，修复了约 3% 的 ChatGPT Pro/Thinking 请求问题。ChatGPT 产品 Leader 回复称已修复。

AI模型 GPT-5.5 ChatGPT 模型调优

推荐理由：GPT-5.5 被修复，ChatGPT 产品 Leader 回复，修复速度杠杠的，值得一试！

原文

8月25日

10:24

官方一手arXiv: DeepSeek@Zongen Ren, Wei Shi, Bo Xiong, Chong Wang, Peng Liang

提出ISAC框架，结合代码差异和问题信息生成提交信息，ApacheCM-Issue数据集支持评估，GPT-5.5和DeepSeek-V4-Flash模型测试，问题信息提升模型性能，结构化问题摘要改善感知完整性，但可能牺牲上下文细节。

论文 LLM Commit Message Generation ISAC

事件专题

推荐理由：研究ISAC框架，了解如何利用问题信息提升LLM生成提交信息的效果，与现有方法相比有显著提升。

原文

8月18日

10:27

官方一手arXiv: DeepSeek@Shuyu Liu

一项研究提出了新的测量协议，在固定24轮预算和确定性规划环境中评估上下文压缩对工具使用智能体交互成本的影响。实验覆盖三个模型和两种任务，发现检索调用在所有六种模型-任务组合中都增加，且几乎贡献了全部额外交互。5倍压缩时任务完成率无显著变化，但GPT-5.5的检索调用从21.0增至63.9次（p=.002），完成率从80%变为85%（p=1.0）。DeepSeek仅在接受10倍压缩时出现显著完成率下降。在ALFWorld环境中，压缩未引发检索激增，说明该交互成本依赖于具体任务环境而非上下文缩短本身。

论文上下文压缩智能体 GPT-5.5

推荐理由：这篇论文用GPT-5.5和DeepSeek实测发现，压缩上下文会让智能体反复重新查工具，任务成功率却没变。想知道为什么只看完成率会骗人，可以读读。

原文

00:20

官方一手@OpenAIDevs@OpenAIDevs

精选

房地产初创公司Hypha AI用GPT-5.6 Luna做文档提取，以GPT-5.5 1/18的成本保住了98%的准确率。金融研究公司RogoAI通过程序化工具调用抓取文件并分析数据，输入token减少21%且评估质量持平。该数据由OpenAI开发者官方账号发布。

AI模型 GPT-5.6 Luna GPT-5.5 Hypha AI

事件专题

推荐理由：OpenAI官方晒了组省钱实测：Hypha AI用GPT-5.6 Luna把文档提取成本降到1/18，准确率还保住98%；RogoAI靠工具调用省了21%输入token。

原文

8月17日

10:21

官方账号arXiv cs.AI@Yuhao Zhan, Bingxiang He, Zecong Tang, Chaojun Xiao

PACE-Bench 是一个基于模拟器的基准测试，包含144个源到目标的物理适应对，覆盖6个物理域。每个任务要求代理在环境突变后，通过代码演进将源码改造成目标代码。在10种自进化方法的对比中，Reflexion + Qwen3-14B 在完整基准上仅成功35.9%，而 GPT-5.5 在 Statics 子集上达到66.7%的成功率。结果显示，基于模拟器的反馈修正比未经验证的自修订更可靠，但整体性能尚未饱和。

论文 PACE-Bench GPT-5.5 Qwen3-14B

推荐理由：想看看AI在规则变了之后能不能自己改代码？PACE-Bench 专门测这个，目前最强的 GPT-5.5 也只解决了 Statics 子集的三分之二，离满分还远得很。

原文

8月15日

02:05

elvis@omarsar0

79°

Faraday是一个27B参数的智能体，基于Replica框架将论文复现转化为可扩展的强化学习任务。它调用编码agent作为工具，在held-out研究复现上击败了Claude Opus 4.8和GPT-5.5。奖励信号来自自动生成的rubric judge，与人类评估一致性高。论文已发布在arxiv.org/abs/2608.13331。

AI模型 Faraday Claude Opus 4.8 GPT-5.5

事件专题

推荐理由：一个叫Faraday的27B智能体，把论文复现变成强化学习任务，在测试集上赢了Claude Opus 4.8和GPT-5.5，还把编码agent当工具用，有点意思。

原文

8月12日

17:56

官方一手arXiv: OpenAI@Uma Ranjan, Kunal Tilaganji, Aditya Koul, Anurag Mahipal, Dashpreet Singh, Hriday Rana, Manan Jain, Sidharth Gupta, Ajo Babu George, Vineeth Balasubramanian, Nagarajan Natarajan, Amit Sharma

arXiv新论文提出两阶段框架，针对医疗假设验证的选择题场景，仅在模型不确定时进行本体论接地，管理覆盖率与准确率的权衡。实验显示，弃权并非随机，而是反映真实不确定性，弃权预测的置信度较低。在GPT-5.5和DeepSeek-R1两个前沿模型上，该框架将问题级准确率从82.9%提升至92.5%，提升9.6个百分点；假设级准确率从92.0%提升至96.2%，提升4.2个百分点。在MedReason和MedQA基准上的实验表明，弃权可作为选择性推理精修的控制信号，无需显式构建知识图谱即可达到图谱级性能。

论文 GPT-5.5 DeepSeek-R1 MedQA

推荐理由：这篇论文教你怎么用弃权信号做推理精修，不用建知识图谱，医疗问答准确率直接涨9.6个点，GPT-5.5和DeepSeek-R1都试过。

原文

8月9日

06:02

AI Engineer@aiDotEngineer

在十场关于“模型变强后什么会崩”的演讲中，一项实验发现：人们有 80% 的时间会跟随自信的 AI 谎言，而当 AI 正确时这一比例是 92.7%。GPT-5.5 曾在 10 分 22 秒内宣布完成仓库重构，实际只写出了 2,000 行脚手架，没有任何真正的模型。演讲者提醒，提示词不是安全边界，被注入的指令可撤销约束，应改用显式权限声明；被攻陷的 litellm 代理活了 3 小时，持续窃取 API 与 SSH 密钥，直到恶意软件弄崩 Cursor 才暴露。还有观点认为，大家产出越来越多却触达越来越少，典型例子是“每周写一本书却没人读的通讯作者”。

技巧 GPT-5.5 litellm Cursor

事件专题

推荐理由：十场演讲全是坑：人会盲信骗人AI，GPT-5.5 假重构，litellm 被黑三小时才暴露。别太信AI。

原文

8月7日

03:20

Fireworks AI@FireworksAI_HQ

Fireworks AI与Arize AI联合举办的网络研讨会将于30分钟后开始，主题为'GPT-5.5、Kimi K3和另外8个模型：AI工作的真实成本'。活动将对比10款模型在成功完成任务时的成本表现。会后设有公开问答环节，由Fireworks AI的AI教育主管@Prof_OZ与Arize AI团队参与。下一场研讨会定于8月6日举行。

AI模型 Fireworks AI Arize AI GPT-5.5

事件专题

推荐理由：马上有一场AI模型成本对比直播，看GPT-5.5和Kimi K3等10个模型谁完成任务更省钱，还能直接提问。

原文

7月31日

12:35

官方账号arXiv cs.LG@Bing Yan, Gregory Wolfe, Stefano Martiniani, Kyunghyun Cho

AskChem 将论文拆解为带来源 DOI 和原文引用的原子声明。目前已索引来自 14.7 万篇论文的 240 万条声明，提供网页、REST、SDK 和 MCP 接口。在 AskChem-Bench 基准上，接入 GPT-5.5 阅读器后 DOI 可解析率达到 100%，未检索时为 88.3%。系统还提供证据图和分类检索，支持跨论文验证信息。

论文 AskChem 化学文献文献综述

推荐理由：化学论文里找结论太费劲？AskChem 把 14.7 万篇论文拆成带引用的声明，直接搜观点还能看来源，AI 也能通过接口调。

原文

7月30日

09:21

官方一手arXiv: OpenAI@Nicholas T. Runcie, Fergus Imrie, Charlotte M. Deane

NISPO是一个基于RDKit的开源Python包，用于生成系统IUPAC名称。它由OpenAI Codex配合GPT-5.5模型通过自改进循环开发而来。在SureChEMBL的268万分子上训练后，在PubChem的1.03亿测试集上达到98.1%的往返准确率。NISPO使用OPSIN工具验证名称正确性。项目已开源在GitHub。

论文 NISPO RDKit IUPAC命名

事件专题

推荐理由：想自动生成分子IUPAC名称？试试NISPO，开源、基于RDKit，在1亿分子上验证准确率98.1%。

原文

7月27日

16:15

官方一手pandaily@contact@pandaily.com (Pandaily)

中科院计算所发布智境（ZhiJing）社交智能系统，包含SoMBench评估基准和Zing模型。Zing在社交认知任务上超越GPT-5.5，采用FLARE自进化训练和OPD蒸馏技术。该系统使AI能理解社交情境、情绪和未言明信号。

AI模型 Zing GPT-5.5 中科院

推荐理由：中科院搞了个能懂人情世故的AI模型Zing，社交认知吊打GPT-5.5，值得一看。

原文

7月24日

12:01

官方一手arXiv: DeepSeek@Lei Zhang, Yusheng Zhao, Yimeng Cao, Ranyiliu Chen, Mingrui Jing, Jizhe Lai, Ziao Tang, Jingu Xie, Hongshun Yao, Xuanqiang Zhao, Guocheng Zhen, Chengkai Zhu, Xin Wang

精选

研究者发布两个 Lean 4 基准：Lean-QuantumAlg-Bench（36 个任务）和 Lean-QIT-Bench（40 个任务），用于评估 AI 在量子算法和量子信息理论上的定理证明能力。在四个模型（GPT-5.5、Kimi K3、DeepSeek V4-Pro、MiniMax M3）中，最高难度加权得分分别为 60.4/100 和 59.6/100。库增强推理（LAD）在所有八个模型-基准对比中均提升得分和完成率，最高提升 15.9 分。模型在量子模拟、量子学习、量子信息度量等领域的证明能力存在薄弱环节。

论文 Lean-QuantumAlg-Bench Lean-QIT-Bench GPT-5.5

事件专题

推荐理由：想知道 AI 定理证明在量子计算领域到底多强？这篇论文给了两个新基准和四个模型实测分数，LAD 方法能提升最高 15.9 分，很实在。

原文

04:24

Fireworks AI@FireworksAI_HQ

71°

Arize AI 与 Fireworks AI 联合对 10 个模型进行了 2400 次 agent 运行基准测试，包括 Kimi K3。结果显示，Kimi K3 在整体表现上接近 GPT-5.5。不同模型在不同任务类型上各有优势，按任务难度路由可同时优化成本和覆盖率。重试和静默故障显著改变了经济性。开发者应关注每次成功任务的成本而非 token 价格。

行业 Fireworks AI Arize AI Kimi K3

事件专题

推荐理由：别只盯着 token 价格了，Arize 和 Fireworks 测了 10 个模型的 2400 次 agent 运行，发现按任务难度的路由能省钱又提高成功率。Kimi K3 还追平了 GPT-5.5。

原文

01:37

官方账号OpenAI@OpenAI

75°

OpenAI称每周有超过3亿用户向ChatGPT提出健康相关问题。他们与数百名医生合作，从准确性、安全性、沟通、上下文感知、完整性和适当升级六个维度改进模型。GPT-5.5 Instant已将前沿健康智能开放给所有免费用户。GPT-5.6 Sol进一步提升了处理更复杂健康问题的能力。

AI模型 ChatGPT OpenAI GPT-5.5

事件专题

推荐理由：OpenAI公布新数据，每周3亿人用ChatGPT问健康，还出了GPT-5.6 Sol专门优化复杂问答，免费用户也能体验升级。

原文

7月23日

22:54

elvis@omarsar0

精选

论文提出Harness Handbook方法，通过静态分析和LLM辅助构建运行时行为到源代码的三级映射。使用BGPD工作流（从系统概览到相关阶段、函数和文件）引导编程智能体进行修改。在Codex和Terminus-2上60个修改请求测试中，规划成功率分别从28.3%提升至38.3%和从26.7%提升至45.6%，计划token使用量下降12.7%和8.6%。所有24个对比中文件级和符号级F1均优于GPT-5.5和Opus 4.8参考计划，完整定位缺失最多降低25.9个百分点。

论文 Harness Handbook Codex Terminus-2

推荐理由：这篇论文给那些维护大型生产级智能体框架的人一个精准的定位方法，把分散的运行时行为映射到源码，实测提升成功率、降低token消耗，值得细看。

原文

09:53

官方一手arXiv: DeepSeek@Weiwei Qi, Zefeng Wu, Zhilin Guo, Tianhang Zheng, Chaochao Lu, Liang He, Zhan Qin, Kui Ren

DARWIN是一个开源的进化攻防框架，包含DARWIN-Attack和DARWIN-Guard两部分。DARWIN-Attack通过策略发现、变异和反馈驱动组合，在DeepSeek-V4-Pro和YuFeng-XGuard上实现近100%攻击成功率，在GPT-5.5上超过90%。DARWIN-Guard采用在线对抗训练，在12个安全基准上平均不安全召回率达91.6%，优于YuFeng-XGuard和Nemotron Guard，同时保持近100%的标准良性数据集通过率。该框架将越狱攻击建模为开放进化过程，并持续更新防护措施。

论文 DARWIN DeepSeek-V4-Pro GPT-5.5

事件专题

推荐理由：论文提出DARWIN，用进化算法同时生成攻击和训练防护，在DeepSeek-V4-Pro和GPT-5.5上攻击成功率超高，安全召回率也强。

原文

00:40

官方账号Decoder@Matthias Bastian

Cisco 发布了两个开源的小型网络安全模型，专注于漏洞检测。在内部测试中，这些模型每投入 1 美元可检测的漏洞数量是 GPT-5.5 等大型 AI agent 的约 150 倍。Cisco 称其模型成本仅为 GPT-5.5 的一小部分，且性能更优，适合企业安全团队部署。

AI模型 Cisco GPT-5.5 开源模型

推荐理由：Cisco 出了两个小模型，漏洞检测性价比是 GPT-5.5 的 150 倍，开源免费，做安全的可以试试。

原文

7月22日

12:30

官方账号arXiv cs.AI@Harmon Bhasin, Kevin Flyangolts, Dianzhuo Wang, Evan Seeyave, Arjun Banerjee, Amanda Darling, Joshua Stallings, David Stern, Shawn Higdon, Claire Duvallet, Bryan Tegomoh, Kenny Workman

新基准BioSecBench-Surveillance包含100个评估任务，覆盖7个类别，从分类到基因工程检测。16个模型-工具组合在3962次尝试中，最佳配置Opus 4.8 with PI仅达50.2%准确率，与GPT-5.5 with Codex并列。Opus 4.7 with PI为49.6%，Sonnet 4.6 with PI为48.6%。即使调用正确工作流，错误仍源于参考序列、阈值、过滤器等选择失误。该基准为衡量下次疫情爆发时AI代理的可信度提供了标准。

AI模型 BioSecBench-Surveillance Opus 4.8 GPT-5.5

事件专题

推荐理由：想看看AI在基因组监测上多不靠谱？新基准BioSecBench-Surveillance测了16个模型，最好才一半正确，细节值得细读。

原文

7月21日

16:09